Dziś spróbujemy stworzyć i wytrenować prostą sieć konwolucyjną do rozpoznawania, co znajduje się na obrazie. Następnie omówimy kwestię identyfikowania obiektów na obrazie, oraz porozmawiamy o wykorzystaniu gotowej już sieci.
Jak się za to zabrać? Naiwnym podejściem byłaby próba ręcznej specyfikacji pewnych cech (niemowlęta mają duże głowy, szczoteczki są długie, etc.). Szybko jednak stwierdziliśmy, że nawet dla niewielkiego zbioru kategorii jest to tytaniczna praca bez gwarancji sukcesu. Co więcej, istnieje wiele czynników zniekształcających zawartość naszych zdjęć. Obiekty mogą być przedstawiane z różnych ujęć, w różnych warunkach oświetleniowych, w różnej skali, częściowo niewidoczne, ukryte w tle...
Wszystkie wymienione problemy są skutkiem istnienia semantycznej przepaści między tym, jak reprezentowane są nasze dane wejściowe (tablica liczb), a tym, czego w nich szukamy, czyli kategorii i cech: zwierząt, nosów, głów, itp. Zamiast więc próbować samodzielnie napisać funkcję $f(x)$, spróbujemy skorzystać z dobrodziejstw uczenia maszynowego, aby automatycznie skonstruować reprezentację wejścia właściwą dla postawionego sobie zadania (a przynajmniej lepszą od pierwotnej). I tu z pomocą przychodzą nam konwolucyjne sieci neuronowe. Do tego trzeba zrozumieć, czym jest konwolucja (inaczej: splot), a do tego najlepiej nadają się ilustracje, jak to działa.
Konwolucja (splot) to działanie określone dla dwóch funkcji, dające w wyniku inną, która może być postrzegana jako zmodyfikowana wersja oryginalnych funkcji.
Z naszego punktu widzenia polega to na tym, że mnożymy odpowiadające sobie elementy z dwóch macierzy: obrazu, oraz mniejszej, nazywanej filtrem (lub kernelem. Następnie sumujemy wynik i zapisujemy do macierzy wynikowej na odpowiedniej pozycji. Proces powtarza się aż do momentu przeskanowania całego obrazu. Taki filtr wykrywa, czy coś do niego pasuje w danym miejscu, i z tego wynika zdolność semantycznej generalizacji sieci - uczymy się cech, a wykrywamy je potem w dowolnym miejscu. Przydatne pojęcia
Krok algorytmu, albo przesunięcie.
Dopełnienie krawędzi obrazu. więcej
Ma 2 warianty: max oraz avg. Pozwala on usunąć zbędne dane, np. jeżeli filtr wykrywa linie, to istnieje spora szansa, że linie te ciągną się przez sąsiednie piksele, więc nie ma powodu powielać tej informacji. Dzięki temu mamy pewną ilość inwariancji i jesteśmy odporni na niewielkie wahania pikseli, a skupiamy się na "bigger picture".
Sieć konwolucyjna składa się zawsze najpierw, zgodnie z nazwą, z części konwolucyjnej, której zadaniem jest wyodrębnienie przydatnych cech z obrazu za pomocą filtrów, warstw poolingowych etc.
W celu klasyfikacji obrazu musimy później użyć sieci MLP. Jako że wejściem do sieci MLP jest zawsze wektor, to musimy obraz przetworzony przez filtry konwolucyjne sprowadzić do takiego wektora, tzw. embedding, czyli reprezentacji obrazu jako punktu w pewnej ciągłej przestrzeni. Służą do tego warstwa spłaszczająca (flatten layer), zmieniająca macierze wielkowymiarowe na wektor, np $10 \times 10 \times 3$ na $300 \times 1$.
Część konwolucyjna nazywa się często backbone, a część MLP do klasyfikacji head. Głowa ma zwykle 1-2 warstwy w pełni połączone, z aktywacją softmax w ostatniej warstwie. Czasem jest nawet po prostu pojedynczą warstwą z softmaxem, bo w dużych sieciach konwolucyjnych ekstrakcja cech jest tak dobra, że taka prosta konstrukcja wystacza do klasyfikacji embeddingu.
import torch
import torchvision
import torchvision.transforms as transforms
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(device)
cuda:0
transform = transforms.Compose([transforms.ToTensor()])
batch_size = 32
trainset = torchvision.datasets.FashionMNIST(
root="./data", train=True, download=True, transform=transform
)
trainloader = torch.utils.data.DataLoader(
trainset, batch_size=batch_size, shuffle=True
)
testset = torchvision.datasets.FashionMNIST(
root="./data", train=False, download=True, transform=transform
)
testloader = torch.utils.data.DataLoader(
testset, batch_size=batch_size, shuffle=True
)
classes = (
"top",
"Trouser",
"Pullover",
"Dress",
"Coat",
"Sandal",
"Shirt",
"Sneaker",
"Bag",
"Ankle boot",
)
Zobaczmy, co jest w naszym zbiorze danych. Poniżej kawałek kodu, który wyświetli nam kilka przykładowych obrazków.
import matplotlib.pyplot as plt
import numpy as np
def imshow(img):
img = img / 2 + 0.5
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
dataiter = iter(trainloader)
images, labels = next(dataiter)
imshow(torchvision.utils.make_grid(images))
print(' '.join(f'{classes[labels[j]]:5s}' for j in range(batch_size)))
Bag Sandal Ankle boot Sandal Coat Ankle boot Trouser Sneaker top Sneaker Shirt Pullover Sandal Bag Sandal top Dress Bag Trouser Shirt Pullover Trouser Bag Dress Pullover Trouser Bag top Sandal Sneaker Dress Pullover
LeNet to bardzo znany, klasyczny model sieci konwolucyjnej.
Warstwy:
Zaimplementuj wyżej opisaną sieć, używając biblioteki PyTorch. Wprowadzimy sobie jednak pewne modyfikacje, żeby było ciekawiej:
Przydatne elementy z pakietu torch.nn:
Conv2d()AvgPool2d()Linear()Z pakietu torch.nn.functional:
relu()import torch.nn as nn
import torch.nn.functional as F
class LeNet(nn.Module):
def __init__(self):
super().__init__()
#tu zaincjalizuj kolejne warstwy
self.conv1 = nn.Conv2d(1, 20, 5)
self.conv2 = nn.Conv2d(20, 50, 5)
self.fc1 = nn.Linear(50*4*4, 300)
self.fc2 = nn.Linear(300, 100)
self.fc3 = nn.Linear(100, len(classes))
self.pool = nn.AvgPool2d(2, 2)
def forward(self, x):
#tu połącz warstwy w sieć, pamietaj o aktywacji i spłaszczeniu w odpowiednich miejscach
x = F.relu(self.conv1(x))
x = self.pool(x)
x = F.relu(self.conv2(x))
x = self.pool(x)
x = torch.flatten(x, 1)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def predict_proba(self, x):
return F.softmax(self.forward(x), dim=1).to(device)
def predict(self, x):
return self.predict_proba(x).argmax(dim=1).to(device)
net = LeNet()
net.to(device)
LeNet( (conv1): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1)) (conv2): Conv2d(20, 50, kernel_size=(5, 5), stride=(1, 1)) (fc1): Linear(in_features=800, out_features=300, bias=True) (fc2): Linear(in_features=300, out_features=100, bias=True) (fc3): Linear(in_features=100, out_features=10, bias=True) (pool): AvgPool2d(kernel_size=2, stride=2, padding=0) )
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
Uzupełnij pętlę uczącą sieć na podstawie jej predykcji. Oblicz (wykonaj krok do przodu) funkcję straty, a następnie przeprowadź propagację wsteczną i wykonaj krok optymalizatora, porównaj czas uczenia na cpu i gpu.
net.train()
for epoch in range(5):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data[0].to(device), data[1].to(device)
optimizer.zero_grad()
# Uzupełnij mnie
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
if i % 200 == 199:
print(f"[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 200:.3f}")
running_loss = 0.0
print("Finished Training")
[1, 200] loss: 2.291 [1, 400] loss: 2.179 [1, 600] loss: 1.390 [1, 800] loss: 1.008 [1, 1000] loss: 0.925 [1, 1200] loss: 0.862 [1, 1400] loss: 0.831 [1, 1600] loss: 0.793 [1, 1800] loss: 0.778 [2, 200] loss: 0.759 [2, 400] loss: 0.754 [2, 600] loss: 0.723 [2, 800] loss: 0.731 [2, 1000] loss: 0.733 [2, 1200] loss: 0.703 [2, 1400] loss: 0.690 [2, 1600] loss: 0.690 [2, 1800] loss: 0.665 [3, 200] loss: 0.645 [3, 400] loss: 0.645 [3, 600] loss: 0.631 [3, 800] loss: 0.629 [3, 1000] loss: 0.620 [3, 1200] loss: 0.632 [3, 1400] loss: 0.615 [3, 1600] loss: 0.584 [3, 1800] loss: 0.581 [4, 200] loss: 0.590 [4, 400] loss: 0.568 [4, 600] loss: 0.564 [4, 800] loss: 0.570 [4, 1000] loss: 0.558 [4, 1200] loss: 0.540 [4, 1400] loss: 0.549 [4, 1600] loss: 0.546 [4, 1800] loss: 0.531 [5, 200] loss: 0.536 [5, 400] loss: 0.522 [5, 600] loss: 0.509 [5, 800] loss: 0.511 [5, 1000] loss: 0.503 [5, 1200] loss: 0.498 [5, 1400] loss: 0.511 [5, 1600] loss: 0.499 [5, 1800] loss: 0.509 Finished Training
Skomentuj wyniki:
dataiter = iter(testloader)
images, labels = next(dataiter)
# print images
imshow(torchvision.utils.make_grid(images))
print("GroundTruth: ", " ".join(f"{classes[labels[j]]:5s}" for j in range(batch_size)))
GroundTruth: Trouser Bag Shirt Trouser top Trouser Dress Pullover Dress Sandal Shirt Coat Dress top Pullover Sandal Ankle boot Pullover top Pullover Sneaker Ankle boot Bag top Ankle boot Shirt top Sandal Sandal Trouser top Sandal
outputs = net(images.to(device))
# outputs = net(images)
_, predicted = torch.max(outputs, 1)
print("Predicted: ", " ".join(f"{classes[predicted[j]]:5s}" for j in range(batch_size)))
Predicted: Trouser Bag Shirt Trouser top Trouser Dress Coat Dress Sandal top Coat Dress top Pullover Sandal Ankle boot Pullover Dress Coat Sneaker Ankle boot Bag top Ankle boot Pullover top Sandal Sandal Trouser top Sandal
correct = 0
total = 0
net.eval()
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images.to(device))
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels.to(device)).sum().item()
print(f"Accuracy of the network on the 10000 test images: {100 * correct // total} %")
Accuracy of the network on the 10000 test images: 80 %
Oblicz dokładność działania sieci (accuracy) dla każdej klasy z osobna.
correct_pred = {classname: 0 for classname in classes}
total_pred = {classname: 0 for classname in classes}
net.eval()
with torch.no_grad():
for data in testloader:
images, labels = data
images = images.to(device)
labels = labels.to(device)
outputs = net(images)
_, predictions = torch.max(outputs, 1)
#uzupełnij mnie
for label, prediction in zip(labels, predictions):
if label == prediction:
correct_pred[classes[label]] += 1
total_pred[classes[label]] += 1
for classname, correct_count in correct_pred.items():
accuracy = 100 * float(correct_count) / total_pred[classname]
print(f"Accuracy for class: {classname:5s} is {accuracy:.1f} %")
Accuracy for class: top is 86.7 % Accuracy for class: Trouser is 93.9 % Accuracy for class: Pullover is 72.6 % Accuracy for class: Dress is 83.4 % Accuracy for class: Coat is 75.4 % Accuracy for class: Sandal is 96.3 % Accuracy for class: Shirt is 24.3 % Accuracy for class: Sneaker is 84.6 % Accuracy for class: Bag is 95.7 % Accuracy for class: Ankle boot is 93.7 %
Skomentuj wyniki:
Jest to problem odmienny od klasyfikacji obrazów, choć w praktyce ściśle z nim powiązany - modele do detekcji obiektów przeważnie do pewnego momentu wyglądają tak samo, jak modele klasyfikacji. Jednak pod koniec sieć jest dzielona na 2 wyjścia: jedno to standardowa klasyfikacja, a drugie to regresor określający pozycję obiektu na obrazie, tzw. bounding box. Najpopularniejszymi przykładami takich sieci są YOLO i Mask R-CNN. Zbiór danych też jest odpowiednio przygotowany do tego zadania i oprócz właściwych zdjęć zawiera również maskę, gdzie tło i każdy istotny obiekt jest zaznaczony innym kolorem.
from torchvision.models import detection
import numpy as np
import cv2
from PIL import Image, ImageDraw
import urllib
Funkcja pozwalająca wczytać obraz z sieci:
def url_to_image(url):
resp = urllib.request.urlopen(url)
image = np.asarray(bytearray(resp.read()), dtype="uint8")
image = cv2.imdecode(image, cv2.IMREAD_COLOR)
return image
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
classes = [
"__background__",
"person",
"bicycle",
"car",
"motorcycle",
"airplane",
"bus",
"train",
"truck",
"boat",
"traffic light",
"fire hydrant",
"street sign",
"stop sign",
"parking meter",
"bench",
"bird",
"cat",
"dog",
"horse",
"sheep",
"cow",
"elephant",
"bear",
"zebra",
"giraffe",
"hat",
"backpack",
"umbrella",
"handbag",
"tie",
"shoe",
"eye glasses",
"suitcase",
"frisbee",
"skis",
"snowboard",
"sports ball",
"kite",
"baseball bat",
"baseball glove",
"skateboard",
"surfboard",
"tennis racket",
"bottle",
"plate",
"wine glass",
"cup",
"fork",
"knife",
"spoon",
"bowl",
"banana",
"apple",
"sandwich",
"orange",
"broccoli",
"carrot",
"hot dog",
"pizza",
"donut",
"cake",
"chair",
"couch",
"potted plant",
"bed",
"mirror",
"dining table",
"window",
"desk",
"toilet",
"door",
"tv",
"laptop",
"mouse",
"remote",
"keyboard",
"cell phone",
"microwave",
"oven",
"toaster",
"sink",
"refrigerator",
"blender",
"book",
"clock",
"vase",
"scissors",
"teddy bear",
"hair drier",
"toothbrush",
]
colors = np.random.randint(0, 256, size=(len(classes), 3))
models = {
"frcnn-resnet": detection.fasterrcnn_resnet50_fpn,
"frcnn-mobilenet": detection.fasterrcnn_mobilenet_v3_large_320_fpn,
"retinanet": detection.retinanet_resnet50_fpn,
}
# load the model and set it to evaluation mode
model = models["frcnn-resnet"](
weights=detection.FasterRCNN_ResNet50_FPN_Weights.DEFAULT,
weights_backbone=torchvision.models.ResNet50_Weights.DEFAULT,
progress=True,
num_classes=len(classes)
).to(device)
model.eval()
FasterRCNN(
(transform): GeneralizedRCNNTransform(
Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
Resize(min_size=(800,), max_size=1333, mode='bilinear')
)
(backbone): BackboneWithFPN(
(body): IntermediateLayerGetter(
(conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
(bn1): FrozenBatchNorm2d(64, eps=0.0)
(relu): ReLU(inplace=True)
(maxpool): MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)
(layer1): Sequential(
(0): Bottleneck(
(conv1): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(64, eps=0.0)
(conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(64, eps=0.0)
(conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(256, eps=0.0)
(relu): ReLU(inplace=True)
(downsample): Sequential(
(0): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
(1): FrozenBatchNorm2d(256, eps=0.0)
)
)
(1): Bottleneck(
(conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(64, eps=0.0)
(conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(64, eps=0.0)
(conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(256, eps=0.0)
(relu): ReLU(inplace=True)
)
(2): Bottleneck(
(conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(64, eps=0.0)
(conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(64, eps=0.0)
(conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(256, eps=0.0)
(relu): ReLU(inplace=True)
)
)
(layer2): Sequential(
(0): Bottleneck(
(conv1): Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(128, eps=0.0)
(conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(128, eps=0.0)
(conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(512, eps=0.0)
(relu): ReLU(inplace=True)
(downsample): Sequential(
(0): Conv2d(256, 512, kernel_size=(1, 1), stride=(2, 2), bias=False)
(1): FrozenBatchNorm2d(512, eps=0.0)
)
)
(1): Bottleneck(
(conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(128, eps=0.0)
(conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(128, eps=0.0)
(conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(512, eps=0.0)
(relu): ReLU(inplace=True)
)
(2): Bottleneck(
(conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(128, eps=0.0)
(conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(128, eps=0.0)
(conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(512, eps=0.0)
(relu): ReLU(inplace=True)
)
(3): Bottleneck(
(conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(128, eps=0.0)
(conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(128, eps=0.0)
(conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(512, eps=0.0)
(relu): ReLU(inplace=True)
)
)
(layer3): Sequential(
(0): Bottleneck(
(conv1): Conv2d(512, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(256, eps=0.0)
(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(256, eps=0.0)
(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(1024, eps=0.0)
(relu): ReLU(inplace=True)
(downsample): Sequential(
(0): Conv2d(512, 1024, kernel_size=(1, 1), stride=(2, 2), bias=False)
(1): FrozenBatchNorm2d(1024, eps=0.0)
)
)
(1): Bottleneck(
(conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(256, eps=0.0)
(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(256, eps=0.0)
(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(1024, eps=0.0)
(relu): ReLU(inplace=True)
)
(2): Bottleneck(
(conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(256, eps=0.0)
(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(256, eps=0.0)
(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(1024, eps=0.0)
(relu): ReLU(inplace=True)
)
(3): Bottleneck(
(conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(256, eps=0.0)
(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(256, eps=0.0)
(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(1024, eps=0.0)
(relu): ReLU(inplace=True)
)
(4): Bottleneck(
(conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(256, eps=0.0)
(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(256, eps=0.0)
(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(1024, eps=0.0)
(relu): ReLU(inplace=True)
)
(5): Bottleneck(
(conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(256, eps=0.0)
(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(256, eps=0.0)
(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(1024, eps=0.0)
(relu): ReLU(inplace=True)
)
)
(layer4): Sequential(
(0): Bottleneck(
(conv1): Conv2d(1024, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(512, eps=0.0)
(conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(512, eps=0.0)
(conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(2048, eps=0.0)
(relu): ReLU(inplace=True)
(downsample): Sequential(
(0): Conv2d(1024, 2048, kernel_size=(1, 1), stride=(2, 2), bias=False)
(1): FrozenBatchNorm2d(2048, eps=0.0)
)
)
(1): Bottleneck(
(conv1): Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(512, eps=0.0)
(conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(512, eps=0.0)
(conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(2048, eps=0.0)
(relu): ReLU(inplace=True)
)
(2): Bottleneck(
(conv1): Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn1): FrozenBatchNorm2d(512, eps=0.0)
(conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
(bn2): FrozenBatchNorm2d(512, eps=0.0)
(conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
(bn3): FrozenBatchNorm2d(2048, eps=0.0)
(relu): ReLU(inplace=True)
)
)
)
(fpn): FeaturePyramidNetwork(
(inner_blocks): ModuleList(
(0): Conv2dNormActivation(
(0): Conv2d(256, 256, kernel_size=(1, 1), stride=(1, 1))
)
(1): Conv2dNormActivation(
(0): Conv2d(512, 256, kernel_size=(1, 1), stride=(1, 1))
)
(2): Conv2dNormActivation(
(0): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1))
)
(3): Conv2dNormActivation(
(0): Conv2d(2048, 256, kernel_size=(1, 1), stride=(1, 1))
)
)
(layer_blocks): ModuleList(
(0): Conv2dNormActivation(
(0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
)
(1): Conv2dNormActivation(
(0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
)
(2): Conv2dNormActivation(
(0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
)
(3): Conv2dNormActivation(
(0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
)
)
(extra_blocks): LastLevelMaxPool()
)
)
(rpn): RegionProposalNetwork(
(anchor_generator): AnchorGenerator()
(head): RPNHead(
(conv): Sequential(
(0): Conv2dNormActivation(
(0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): ReLU(inplace=True)
)
)
(cls_logits): Conv2d(256, 3, kernel_size=(1, 1), stride=(1, 1))
(bbox_pred): Conv2d(256, 12, kernel_size=(1, 1), stride=(1, 1))
)
)
(roi_heads): RoIHeads(
(box_roi_pool): MultiScaleRoIAlign(featmap_names=['0', '1', '2', '3'], output_size=(7, 7), sampling_ratio=2)
(box_head): TwoMLPHead(
(fc6): Linear(in_features=12544, out_features=1024, bias=True)
(fc7): Linear(in_features=1024, out_features=1024, bias=True)
)
(box_predictor): FastRCNNPredictor(
(cls_score): Linear(in_features=1024, out_features=91, bias=True)
(bbox_pred): Linear(in_features=1024, out_features=364, bias=True)
)
)
)
IPython, z którego korzystamy w Jupyter Notebooku, ma wbudowaną funkcję display() do wyświetlania obrazów.
!wget https://upload.wikimedia.org/wikipedia/commons/thumb/7/7a/Toothbrush_x3_20050716_001.jpg/1280px-Toothbrush_x3_20050716_001.jpg --output-document toothbrushes.jpg
--2022-12-28 10:39:39-- https://upload.wikimedia.org/wikipedia/commons/thumb/7/7a/Toothbrush_x3_20050716_001.jpg/1280px-Toothbrush_x3_20050716_001.jpg Resolving upload.wikimedia.org (upload.wikimedia.org)... 208.80.153.240, 2620:0:860:ed1a::2:b Connecting to upload.wikimedia.org (upload.wikimedia.org)|208.80.153.240|:443... connected. HTTP request sent, awaiting response... 200 OK Length: 244963 (239K) [image/jpeg] Saving to: ‘toothbrushes.jpg’ toothbrushes.jpg 100%[===================>] 239.22K --.-KB/s in 0.1s 2022-12-28 10:39:40 (1.66 MB/s) - ‘toothbrushes.jpg’ saved [244963/244963]
image = Image.open("toothbrushes.jpg")
# make sure we have 3-channel RGB, e.g. without transparency
image = image.convert("RGB")
display(image)
PyTorch wymaga obrazów w kształcie [channels, height, width] (C, H, W) oraz z wartościami pikseli między 0 a 1. Pillow wczytuje obrazy z kanałami (H, W, C) oraz z wartościami pikseli między 0 a 255. Przed wykorzystaniem sieci neuronowej trzeba zatem:
image_tensor = torch.from_numpy(np.array(image))
image_tensor = image_tensor.permute(2, 0, 1)
image_tensor_int = image_tensor # useful for displaying, dtype = uint8
image_tensor = image_tensor / 255
image_tensor.shape, image_tensor.dtype
(torch.Size([3, 960, 1280]), torch.float32)
Użyj modelu do wykrycia obiektów na obrazie. Następnie wybierz tylko te bounding boxy, dla których mamy wynik powyżej 50%. Narysuj te bounding boxy, ich prawdopodobieństwa (w procentach) oraz nazwy klas.
Następnie wykorzystaj wyniki do zaznaczenia bounding box'a dla każdego wykrytego obiektu na obrazie oraz podpisz wykrytą klasę wraz z prawdopodobieństwem. Możesz tutaj użyć:
# print(type(image))
# print(type(image_tensor))
# print(image_tensor.shape)
from torchvision.utils import draw_bounding_boxes
from torchvision.transforms.functional import to_pil_image
def show(imgs):
if not isinstance(imgs, list):
imgs = [imgs]
fig, axs = plt.subplots(ncols=len(imgs), squeeze=False, figsize=(10, 10))
for i, img in enumerate(imgs):
img = img.detach()
img = to_pil_image(img)
axs[0, i].imshow(np.asarray(img))
axs[0, i].set(xticklabels=[], yticklabels=[], xticks=[], yticks=[])
with torch.no_grad():
predictions = model([image_tensor.to(device)])
threshold = 0.5
boxes = draw_bounding_boxes(
image_tensor_int,
predictions[0]['boxes'][predictions[0]['scores'] > threshold],
labels=[classes[i] for i in predictions[0]['labels'][predictions[0]['scores'] > threshold]],
width=5,
font_size=40,
font='somefont.ttf'
)
# print(predictions)
# print(boxes)
show(boxes)
#uzupełnij mnie
Jest to jedna z opcji transfer learningu. Mamy w nim już wytrenowaną sieć na dużym zbiorze danych (pretrening) i chcemy, żeby sieć poradziła sobie z nową klasą obiektów (klasyfikacja), albo lepiej radziła sobie z wybranymi obiektami, które już zna (fine-tuning). Możemy usunąć ostatnią warstwę sieci i na jej miejsce wstawić nową, identyczną, jednak z losowo zainicjalizowanymi wagami, a następnie dotrenować sieć na naszym nowym, bardziej specyficznym zbiorze danych. Przykładowo, jako bazę weźmiemy model wytrenowany na zbiorze ImageNet i będziemy chcieli użyć go do rozpoznawania nowych, nieznanych mu klas, np. ras psów.
Dla przykładu wykorzystamy zbiór danych z hotdogami. Będziemy chcieli stwierdzić, czy na obrazku jest hotdog, czy nie. Jako sieci użyjemy modelu ResNet-18, pretrenowanej na zbiorze ImageNet.
!wget http://d2l-data.s3-accelerate.amazonaws.com/hotdog.zip
--2022-12-28 10:41:44-- http://d2l-data.s3-accelerate.amazonaws.com/hotdog.zip Resolving d2l-data.s3-accelerate.amazonaws.com (d2l-data.s3-accelerate.amazonaws.com)... 13.249.142.137 Connecting to d2l-data.s3-accelerate.amazonaws.com (d2l-data.s3-accelerate.amazonaws.com)|13.249.142.137|:80... connected. HTTP request sent, awaiting response... 200 OK Length: 261292301 (249M) [application/zip] Saving to: ‘hotdog.zip.1’ hotdog.zip.1 100%[===================>] 249.19M 44.0MB/s in 5.7s 2022-12-28 10:41:50 (43.3 MB/s) - ‘hotdog.zip.1’ saved [261292301/261292301]
!unzip -n hotdog.zip
Archive: hotdog.zip
import os
import torch
import torch.nn as nn
import torchvision
Kiedy korzystamy z sieci pretrenowanej na zbiorze ImageNet, zgodnie z dokumentacją trzeba dokonać standaryzacji naszych obrazów, odejmując średnią i dzieląc przez odchylenie standardowe każdego kanału ze zbioru ImageNet.
All pre-trained models expect input images normalized in the same way, i.e. mini-batches of 3-channel RGB images of shape (3 x H x W), where H and W are
expected to be at least 224. The images have to be loaded in to a range of [0, 1] and then normalized using mean = [0.485, 0.456, 0.406] and std = [0.229,
0.224, 0.225]. You can use the following transform to normalize:
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225])torch.manual_seed(17)
normalize = transforms.Normalize(
mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225]
)
train_augs = torchvision.transforms.Compose(
[
torchvision.transforms.RandomResizedCrop(224),
torchvision.transforms.RandomHorizontalFlip(),
torchvision.transforms.ToTensor(),
normalize,
]
)
test_augs = torchvision.transforms.Compose(
[
torchvision.transforms.Resize(256),
torchvision.transforms.CenterCrop(224),
torchvision.transforms.ToTensor(),
normalize,
]
)
pretrained_net = torchvision.models.resnet18(weights=torchvision.models.ResNet18_Weights.IMAGENET1K_V1)
pretrained_net.fc
Linear(in_features=512, out_features=1000, bias=True)
Dodaj warstwę liniową do naszej fine-fune'owanej sieci oraz zainicjuj ją losowymi wartościami.
finetuned_net = pretrained_net
finetuned_net.fc = nn.Sequential(
nn.Linear(512, 1000),
nn.ReLU(),
nn.Linear(1000, 1000)
)
#uzupełnij mnie
import time
import copy
def train_model(
model, dataloaders, criterion, optimizer, num_epochs=25
):
since = time.time()
val_acc_history = []
best_model_wts = copy.deepcopy(model.state_dict())
best_acc = 0.0
for epoch in range(1, num_epochs + 1):
print("Epoch {}/{}".format(epoch, num_epochs))
print("-" * 10)
# Each epoch has a training and validation phase
for phase in ["train", "val"]:
if phase == "train":
model.train() # Set model to training mode
else:
model.eval() # Set model to evaluate mode
running_loss = 0.0
running_corrects = 0
# Iterate over data.
for inputs, labels in dataloaders[phase]:
inputs = inputs.to(device)
labels = labels.to(device)
# zero the parameter gradients
optimizer.zero_grad()
# forward
# track history if only in train
with torch.set_grad_enabled(phase == "train"):
# Get model outputs and calculate loss
outputs = model(inputs)
loss = criterion(outputs, labels)
_, preds = torch.max(outputs, 1)
# backward + optimize only if in training phase
if phase == "train":
loss.backward()
optimizer.step()
# statistics
running_loss += loss.item() * inputs.size(0)
running_corrects += torch.sum(preds == labels.data)
epoch_loss = running_loss / len(dataloaders[phase].dataset)
epoch_acc = running_corrects.double() / len(dataloaders[phase].dataset)
print("{} Loss: {:.4f} Acc: {:.4f}".format(phase, epoch_loss, epoch_acc))
# deep copy the model
if phase == "val" and epoch_acc > best_acc:
best_acc = epoch_acc
best_model_wts = copy.deepcopy(model.state_dict())
if phase == "val":
val_acc_history.append(epoch_acc)
print()
time_elapsed = time.time() - since
print(
"Training complete in {:.0f}m {:.0f}s".format(
time_elapsed // 60, time_elapsed % 60
)
)
print("Best val Acc: {:4f}".format(best_acc))
# load best model weights
model.load_state_dict(best_model_wts)
return model, val_acc_history
data_dir = "hotdog"
batch_size = 32
model_ft = finetuned_net.to(device)
train_iter = torch.utils.data.DataLoader(
torchvision.datasets.ImageFolder(
os.path.join(data_dir, "train"), transform=train_augs
),
batch_size=batch_size,
shuffle=True,
)
test_iter = torch.utils.data.DataLoader(
torchvision.datasets.ImageFolder(
os.path.join(data_dir, "test"), transform=test_augs
),
shuffle=True,
batch_size=batch_size,
)
loss = nn.CrossEntropyLoss(reduction="none")
Zmodyfikuj tak parametry sieci, aby learning rate dla ostatniej warstwy był 10 razy wyższy niż dla pozostałych.
Trzeba odpowiednio podać pierwszy parametr torch.optim.SGD tak, aby zawierał parametry normalne, oraz te z lr * 10. Paramety warstw niższych to takie, które mają nazwę inną niż fc.weight albo fc.bias - może się przydać metoda sieci named_parameters().
def train_fine_tuning(net, learning_rate, num_epochs=15):
params = [{'params': [param for name, param in net.named_parameters() if 'fc' not in name]},
{'params': net.fc.parameters(), 'lr': 10 * learning_rate}]
trainer = torch.optim.SGD(params,
lr=learning_rate,
weight_decay=0.001)#popraw mnie
dataloaders_dict = {"train": train_iter, "val": test_iter}
criterion = nn.CrossEntropyLoss()
model_ft, hist = train_model(
net, dataloaders_dict, criterion, trainer, num_epochs=num_epochs
)
return model_ft, hist
model_ft, hist = train_fine_tuning(model_ft, learning_rate=5e-5)
Epoch 1/15 ---------- train Loss: 5.4948 Acc: 0.3610 val Loss: 3.6683 Acc: 0.5388 Epoch 2/15 ---------- train Loss: 2.2821 Acc: 0.6065 val Loss: 1.1264 Acc: 0.6975 Epoch 3/15 ---------- train Loss: 0.9937 Acc: 0.7585 val Loss: 0.7645 Acc: 0.7950 Epoch 4/15 ---------- train Loss: 0.7600 Acc: 0.7945 val Loss: 0.6521 Acc: 0.8438 Epoch 5/15 ---------- train Loss: 0.6542 Acc: 0.8335 val Loss: 0.5919 Acc: 0.8463 Epoch 6/15 ---------- train Loss: 0.6035 Acc: 0.8485 val Loss: 0.5498 Acc: 0.8725 Epoch 7/15 ---------- train Loss: 0.5598 Acc: 0.8565 val Loss: 0.5030 Acc: 0.8800 Epoch 8/15 ---------- train Loss: 0.5284 Acc: 0.8715 val Loss: 0.4825 Acc: 0.8812 Epoch 9/15 ---------- train Loss: 0.4985 Acc: 0.8700 val Loss: 0.4676 Acc: 0.8862 Epoch 10/15 ---------- train Loss: 0.4688 Acc: 0.8765 val Loss: 0.4374 Acc: 0.8775 Epoch 11/15 ---------- train Loss: 0.4571 Acc: 0.8695 val Loss: 0.4144 Acc: 0.8862 Epoch 12/15 ---------- train Loss: 0.4345 Acc: 0.8910 val Loss: 0.3919 Acc: 0.8862 Epoch 13/15 ---------- train Loss: 0.4215 Acc: 0.8820 val Loss: 0.3866 Acc: 0.8925 Epoch 14/15 ---------- train Loss: 0.4043 Acc: 0.8805 val Loss: 0.3710 Acc: 0.8900 Epoch 15/15 ---------- train Loss: 0.3918 Acc: 0.8865 val Loss: 0.3620 Acc: 0.8938 Training complete in 4m 48s Best val Acc: 0.893750
skomentuj wyniki:
Przy wyświetlaniu predykcji sieci musimy wykonać operacje odwrotne niż te, które wykonaliśmy, przygotowując obrazy do treningu:
def imshow(img, title=None):
img = img.permute(1, 2, 0).numpy()
means = np.array([0.485, 0.456, 0.406])
stds = np.array([0.229, 0.224, 0.225])
img = stds * img + means
img = np.clip(img, 0, 1)
plt.imshow(img)
if title is not None:
plt.title(title)
plt.pause(0.001)
import matplotlib.pyplot as plt
plt.ion()
def visualize_model(model, num_images=6):
class_names = ["hotdog", "other"]
model.eval()
images_so_far = 0
fig = plt.figure()
with torch.no_grad():
for i, (inputs, labels) in enumerate(test_iter):
inputs = inputs.to(device)
labels = labels.to(device)
outputs = model(inputs)
_, preds = torch.max(outputs, 1)
for j in range(inputs.size()[0]):
images_so_far += 1
ax = plt.subplot(num_images // 2, 2, images_so_far)
ax.axis('off')
ax.set_title(f'predicted: {class_names[preds[j]]}')
imshow(inputs.data[j].cpu())
if images_so_far == num_images:
return
visualize_model(model_ft)
!pip install facenet-pytorch
Looking in indexes: https://pypi.org/simple, https://us-python.pkg.dev/colab-wheels/public/simple/
Collecting facenet-pytorch
Downloading facenet_pytorch-2.5.2-py3-none-any.whl (1.9 MB)
|████████████████████████████████| 1.9 MB 4.9 MB/s
Requirement already satisfied: numpy in /usr/local/lib/python3.8/dist-packages (from facenet-pytorch) (1.21.6)
Requirement already satisfied: requests in /usr/local/lib/python3.8/dist-packages (from facenet-pytorch) (2.23.0)
Requirement already satisfied: torchvision in /usr/local/lib/python3.8/dist-packages (from facenet-pytorch) (0.14.0+cu116)
Requirement already satisfied: pillow in /usr/local/lib/python3.8/dist-packages (from facenet-pytorch) (7.1.2)
Requirement already satisfied: certifi>=2017.4.17 in /usr/local/lib/python3.8/dist-packages (from requests->facenet-pytorch) (2022.12.7)
Requirement already satisfied: chardet<4,>=3.0.2 in /usr/local/lib/python3.8/dist-packages (from requests->facenet-pytorch) (3.0.4)
Requirement already satisfied: urllib3!=1.25.0,!=1.25.1,<1.26,>=1.21.1 in /usr/local/lib/python3.8/dist-packages (from requests->facenet-pytorch) (1.24.3)
Requirement already satisfied: idna<3,>=2.5 in /usr/local/lib/python3.8/dist-packages (from requests->facenet-pytorch) (2.10)
Requirement already satisfied: typing-extensions in /usr/local/lib/python3.8/dist-packages (from torchvision->facenet-pytorch) (4.4.0)
Requirement already satisfied: torch==1.13.0 in /usr/local/lib/python3.8/dist-packages (from torchvision->facenet-pytorch) (1.13.0+cu116)
Installing collected packages: facenet-pytorch
Successfully installed facenet-pytorch-2.5.2
import urllib
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from PIL import Image
from facenet_pytorch import InceptionResnetV1, MTCNN
from torchvision.transforms.functional import to_pil_image
!wget https://raw.githubusercontent.com/timesler/facenet-pytorch/feature/add_vggface2_labels/data/labels-vggface2.csv --output-document vggface_labels.csv
--2022-12-28 11:12:32-- https://raw.githubusercontent.com/timesler/facenet-pytorch/feature/add_vggface2_labels/data/labels-vggface2.csv Resolving raw.githubusercontent.com (raw.githubusercontent.com)... 185.199.110.133, 185.199.108.133, 185.199.111.133, ... Connecting to raw.githubusercontent.com (raw.githubusercontent.com)|185.199.110.133|:443... connected. HTTP request sent, awaiting response... 200 OK Length: 139040 (136K) [text/plain] Saving to: ‘vggface_labels.csv’ vggface_labels.csv 100%[===================>] 135.78K --.-KB/s in 0.02s 2022-12-28 11:12:32 (6.06 MB/s) - ‘vggface_labels.csv’ saved [139040/139040]
Zanim w ogóle pomyślimy o rozpoznawaniu twarzy, najpierw musimy zorientować się, czy w ogóle twarz jest na obrazie, i jeśli tak, to ją wyodrębnić, bo reszta obrazu nas nie interesuje. Ten proces przeważnie znajduje wszystkie twarze na obrazie, nie tylko jedną. Istnieją dwie podstawowe metody znajdowania twarzy na obrazie:
Implementacja MTCNN z biblioteki facenet-pytorch ma 2 możliwości użycia:
.detect(), np. mtcnn.detect(img). W ten sposób dostajemy koordynaty (bounding box) twarzy na oryginalnym obrazie. Ma to zastosowanie w samym wykrywaniu twarzy, lub kiedy chcemy później zastosować własne implementacje sieci do rozpoznawania twarzy.__call__(), np. mtcnn(img). W ten sposób dostajemy wyciętą i znormalizowaną twarz, gotową do późniejszego użycia w rozpoznawaniu twarzy za pomocą tej biblioteki. Normalizacja to przeskalowanie twarzy tak, żeby miała równe wymiary, oraz standaryzacja kolorów.Zobaczmy teraz, jak działa pierwsza opcja.
jerzy_stuhr_image_path = "https://upload.wikimedia.org/wikipedia/commons/thumb/9/91/Jerzy_Stuhr_27_stycznia_2018.jpg/1024px-Jerzy_Stuhr_27_stycznia_2018.jpg"
img = Image.open(urllib.request.urlopen(jerzy_stuhr_image_path)).convert("RGB")
detector = MTCNN(device=device)
boxes, probabilities = detector.detect(img)
box = boxes[0]
face = img.crop(box)
plt.imshow(face)
plt.show()
Uzupełnij kod funkcji extract_face_haar() tak, by działała tak samo, jak extract_face_mtcnn(), ale z wykorzystaniem kaskady Haara z OpenCV. Ma zwracać tensor PyTorcha, abyśmy mogli dalej wykorzystać go do identyfikacji z użyciem sieci neuronowej:
float32 (OpenCV używa uint8)[0, 1] (OpenCV używa [0, 255])(C, H, W) (OpenCV, jak Numpy, używa (H, W, C))deviceMogą się przydać:
cvtColor()CascadeClassifier()detectMultiScale()W funkcji extract_face_mtcnn mamy dodatkowy argument post_process. Gdy ma on wartość False, to detektor twarzy nie normalizuje obrazu (jedynie zmienia rozmiar na kwadrat) i będzie się wyświetlał "normalnie". Kiedy natomiast chcemy użyć wyjścia z detektora twarzy jako wejścia do drugiej sieci, do identyfikacji osób, to trzeba użyć post_process=True, aby użyć odpowiednich transformacji. Typowo daje to lepsze wyniki.
!wget https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml
--2022-12-28 11:25:01-- https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml Resolving raw.githubusercontent.com (raw.githubusercontent.com)... 185.199.108.133, 185.199.109.133, 185.199.110.133, ... Connecting to raw.githubusercontent.com (raw.githubusercontent.com)|185.199.108.133|:443... connected. HTTP request sent, awaiting response... 200 OK Length: 930127 (908K) [text/plain] Saving to: ‘haarcascade_frontalface_default.xml.1’ haarcascade_frontal 100%[===================>] 908.33K --.-KB/s in 0.05s 2022-12-28 11:25:01 (17.8 MB/s) - ‘haarcascade_frontalface_default.xml.1’ saved [930127/930127]
def extract_face_mtcnn(image_path, output_face_img_size=160, post_process=False):
# load image from URL
img = Image.open(urllib.request.urlopen(image_path)).convert("RGB")
# create the detector
detector = MTCNN(
output_face_img_size,
device=device,
post_process=post_process
)
# print (type(torch.Tensor(img).to(device)))
# get face from image
face = detector(img)
# apply very basic normalization manually when postprocessing is
# not used - change values from default [0, 255] to [0, 1]
if not post_process:
face /= 255
return face
face_mtcnn = extract_face_mtcnn(jerzy_stuhr_image_path)
print(face_mtcnn.min(), face_mtcnn.max(), face_mtcnn.dtype)
# plot the extracted face
to_pil_image(face_mtcnn)
tensor(0.0118) tensor(0.8706) torch.float32
import cv2
def extract_face_haar(filename, required_size=160):
image = np.array(Image.open(urllib.request.urlopen(filename)))
# uzupełnij mnie
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
haar = cv2.CascadeClassifier()
haar.load('haarcascade_frontalface_default.xml')
boxes = haar.detectMultiScale(gray_image)
# print(boxes)
x, y, w, h = boxes[0]
# print(boxes[0])
face = image[y:y+h,x:x+h]
# resize pixels to the model size
image = Image.fromarray(face)
image = image.resize((required_size, required_size))
face_array = np.asarray(image)
# change channel order from (H, W, C) to (C, H, W)
face = np.moveaxis(face_array, 2, 0)
# Numpy array -> PyTorch tensor on appropriate device
face = torch.Tensor(face).to(device)
# convert value range
face /= 255
return face
face_haar = extract_face_haar(jerzy_stuhr_image_path)
# plot the extracted face
to_pil_image(face_haar)
Skomentuj wyniki uzyskane przez powyższe metody:
Skoro udało nam się już znaleźć twarz na obrazku, to spróbujmy rozpoznać, kto się tam znajduje. Znów mamy kilka możliwości, jak to zrobić:
Użyjemy sieci InceptionResnetV1, wytrenowanej na zbiorze twarzy VGGFace2. Jeśli chcesz dowiedzieć się więcej o tej architekturze, to tutaj znajdziesz jej opis. Przykład użycia pochodzi z oficjalnego tutoriala.
identifier = InceptionResnetV1(pretrained="vggface2", classify=True, device=device).eval()
labels = pd.read_csv("vggface_labels.csv", encoding="UTF-8").values.tolist()
from torch.nn.functional import softmax
def get_face_extractor(method, post_process):
if method == "mtcnn":
return lambda x: extract_face_mtcnn(x, post_process=post_process)
elif method == "haar":
return extract_face_haar
else:
raise ValueError(
f"Method should be either 'mtcnn' or 'haar', got: '{method}'"
)
def get_top_5_faces(image_path, method="mtcnn", post_process=False):
detector = get_face_extractor(method, post_process)
with torch.no_grad():
# extract face
face = detector(image_path)
# VGGFace2 classification logits; have to provide batch (4D tensor),
# so we add "fake" dimension via .unsqueeze()
logits = identifier(face.to(device).unsqueeze(0)).cpu()
# we know there is only 1 face, so we can select first (and only) element
logits = logits[0]
# get probabilities
probas = softmax(logits, dim=0)
# get top 5 predictions
top_probas, top_indices = torch.topk(probas, k=5)
top_probas = top_probas.tolist()
top_indices = top_indices.tolist()
top_labels = [labels[idx][0] for idx in top_indices]
for label, proba in zip(top_labels, top_probas):
label = label.replace("_", " ")
print(f"{label:<20} {100 * proba:.2f}%")
get_top_5_faces(jerzy_stuhr_image_path, method="haar")
print()
get_top_5_faces(jerzy_stuhr_image_path, method="mtcnn", post_process=False)
print()
get_top_5_faces(jerzy_stuhr_image_path, method="mtcnn", post_process=True)
Jerzy Stuhr 77.41% Felipe Gonzales 3.31% Eckart Witzigmann 0.36% Chelsie Hightower 0.36% Jiřà Lábus 0.35% Jerzy Stuhr 88.59% Felipe Gonzales 1.18% Eckart Witzigmann 0.22% Ilkka Kanerva 0.15% Marty Markowitz 0.14% Jerzy Stuhr 83.96% Felipe Gonzales 0.98% Eckart Witzigmann 0.27% Michael Bloomberg 0.22% Hans Vestberg 0.18%
No fajne, ale co, jeśli chcielibyśmy rozpoznać kogoś, kto nie był częścią pierwotnego zbioru danych? Czy musimy trenować sieć całkowicie od nowa? Oczywiście nie - byłoby to bardzo nieefektywne, bo sieć ta była trenowana na ponad milionie obrazów 8631 ludzi, więc aby dodać jednego, bezsensem byłoby powtarzać cały proces od zera.
Więc jak to zrobić? Można znowu na różne sposoby. Przykładowo, nie ma potrzeby trenować całej sieci, a wystarczy wytrenować ostatnią warstwę, która odpowiada za rozpoznawanie danej osoby. Poprzednie w zasadzie tylko enkodują daną osobę w postaci wektora liczb, tak, aby wektory dla tej samej osoby były blisko sobie, a dla różnych daleko (w sensie pewnej metryki), wieć dla nieznanego obrazu nowej osoby też to zadziała. Musimy jedynie stwierdzić, że to ta sama osoba.
from torchvision.transforms.functional import to_tensor
def get_embeddings(image_paths, method="mtcnn", post_process=False):
detector = get_face_extractor(method, post_process)
embedder = InceptionResnetV1(pretrained="vggface2", classify=False, device=device).eval()
embeddings = []
with torch.no_grad():
for image_path in image_paths:
face = detector(image_path)
embedding = embedder(face.to(device).unsqueeze(0)).cpu()
embedding = embedding.flatten()
embeddings.append(embedding)
return embeddings
Oblicz dystans euklidesowy i cosinusowy między embeddingami. Następnie przetestuj poszczególne metody przygotowanym kodem.
def is_match(known_embedding, candidate_embedding, thresh=0.4, euc_thresh=1.2):
#uzupełnij mnie`
print(type(known_embedding*candidate_embedding))
print('bfa')
cosine_score = 1 - torch.dot(known_embedding,candidate_embedding)/(torch.norm(known_embedding)*torch.norm(candidate_embedding))
euclidean_score = torch.norm(known_embedding-candidate_embedding)
if cosine_score <= thresh:
print(">face is a Match - cosine (%.3f <= %.3f)" % (cosine_score, thresh))
print(">face is a Match - euclidean (%.3f <= %.3f)" % (euclidean_score, euc_thresh))
else:
print(">face is NOT a Match - cosine (%.3f > %.3f)" % (cosine_score, thresh))
print(">face is NOT a Match - euclidean (%.3f > %.3f)" % (euclidean_score, euc_thresh))
def test_person_identification(method, post_process=False):
# test: Jerzy Stuhr vs new face, Maciej Stuhr
filenames = [
"https://upload.wikimedia.org/wikipedia/commons/thumb/9/91/Jerzy_Stuhr_27_stycznia_2018.jpg/1024px-Jerzy_Stuhr_27_stycznia_2018.jpg",
"https://s3.viva.pl/newsy/jerzy-stuhr-276699-GALLERY_600.jpg",
"https://ocdn.eu/images/pulscms/MjM7MDA_/0d5516ac7244156c40d1366ee008d7e5.jpeg",
"https://upload.wikimedia.org/wikipedia/commons/thumb/f/f0/2016_Woodstock_328_Maciej_Stuhr.jpg/800px-2016_Woodstock_328_Maciej_Stuhr.jpg",
"https://secretum.pl/media/k2/items/cache/7f2cd38b7681e6e2ef83b5a7a5385264_XL.jpg?t=20141001_064823",
]
embeddings = get_embeddings(filenames, method, post_process)
print("Positive Tests")
is_match(embeddings[0], embeddings[1])
is_match(embeddings[0], embeddings[2])
print()
print("Negative Tests")
is_match(embeddings[0], embeddings[3])
is_match(embeddings[0], embeddings[4])
print()
test_person_identification(method="haar")
test_person_identification(method="mtcnn", post_process=False)
test_person_identification(method="mtcnn", post_process=True)
Positive Tests <class 'torch.Tensor'> bfa >face is a Match - cosine (0.332 <= 0.400) >face is a Match - euclidean (0.815 <= 1.200) <class 'torch.Tensor'> bfa >face is a Match - cosine (0.377 <= 0.400) >face is a Match - euclidean (0.868 <= 1.200) Negative Tests <class 'torch.Tensor'> bfa >face is NOT a Match - cosine (0.845 > 0.400) >face is NOT a Match - euclidean (1.300 > 1.200) <class 'torch.Tensor'> bfa >face is NOT a Match - cosine (1.168 > 0.400) >face is NOT a Match - euclidean (1.528 > 1.200) Positive Tests <class 'torch.Tensor'> bfa >face is a Match - cosine (0.313 <= 0.400) >face is a Match - euclidean (0.791 <= 1.200) <class 'torch.Tensor'> bfa >face is a Match - cosine (0.234 <= 0.400) >face is a Match - euclidean (0.683 <= 1.200) Negative Tests <class 'torch.Tensor'> bfa >face is NOT a Match - cosine (0.772 > 0.400) >face is NOT a Match - euclidean (1.242 > 1.200) <class 'torch.Tensor'> bfa >face is NOT a Match - cosine (1.038 > 0.400) >face is NOT a Match - euclidean (1.441 > 1.200) Positive Tests <class 'torch.Tensor'> bfa >face is a Match - cosine (0.281 <= 0.400) >face is a Match - euclidean (0.750 <= 1.200) <class 'torch.Tensor'> bfa >face is a Match - cosine (0.278 <= 0.400) >face is a Match - euclidean (0.746 <= 1.200) Negative Tests <class 'torch.Tensor'> bfa >face is NOT a Match - cosine (0.759 > 0.400) >face is NOT a Match - euclidean (1.232 > 1.200) <class 'torch.Tensor'> bfa >face is NOT a Match - cosine (1.007 > 0.400) >face is NOT a Match - euclidean (1.419 > 1.200)
Skomentuj wyniki:
W zadaniach dotyczących klasyfikacji obrazu wykorzystywaliśmy prosty zbiór danych i sieć LeNet. Teraz zamień zbiór danych na bardziej skomplikowany, np. ten lub ten (lub inny o podobnym poziomie trudności) i zamiast prostej sieci LeNet użyj bardziej złożonej, np. AlexNet, ResNet, MobileNetV2.